پیش بینی خشکسالی با استفاده از مدل های شبکه عصبی و نروفازی در استان مازندران

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 480

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEHH02_078

تاریخ نمایه سازی: 13 آبان 1393

چکیده مقاله:

خشکسالی یکی از مزمنترین و زیانبارترین بلایای طبیعی است. به دلیل اینکه خشکسالی می تواند در هر ناحیه یا اقلیمی وقوع یابد لذا ضرورت دارد پدیده خشکسالی در تمام اقالیمکشور از جمله اقلیم خزری که در آن بروز این پدیده دیرتر قابل لمس می باشد، بررسی شود. راهکارهای مهم برای کاهش خسارات ناشی از خشکسالی شناخت صحیح این پدیدهاست. با توجه به پیشرفت تکنولوژی و افزایش روز افزون تولید داده ها بایستی مدل های ایجاد شود که بتواند این گونه پدیده ها را قبل از وقوع پیش بینی کند.در این مطالعه برای پیش بینی خشکسالی آینده، به ارزیابی سیستم های شبکه عصبی MLP و نروفازی در تحلیل شاخص بارندگی استاندار شده (SPI)، استفاده شد. در نهایت نتایج نشان داد با به کارگیری مدلهای هوش محاسباتی در اکثر موارد، پیش بینی خشکسالی نتایج مطلوبی را ارائه می دهد.

نویسندگان

علی کولائیان

دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

سحر گلشن

دانشجوی کارشناسی ارشد هواشناسی کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ جوانمرد، س، جمالی، ج.، احمدیان، ج.، قهرمان، ن.، موقر ...
  • حسن‌زاده، ی.، کردانی، _ فاخری‌فرد، ا.، 1391. پیش‌بینی خشکسالی با ...
  • عبقری، 5. 1384. شبکه عصبی مصنوعی در هیدرولوژی بارش- رواناب، ...
  • عیوضی، م.، مساعدی، ا.، دهقانی، ا، 1388. مقایسه روش‌های مختلف ...
  • پیش بینی خشکسالی با نمایه SPI به روش مدلسازی ANFIS بر مبنای خوشه بندی C-mean فازی [مقاله ژورنالی]
  • کولائیان، ع، امیدوار، ا.، غلامی سفیدکوهی، م.، 1390. بررسی روند ...
  • کولائیان، ضیاتباراحمدی، م.، هاشمیان، م.، 1390. بررسی و مقایسه دو ...
  • کولائیان، غلامی سفیدکوهی، م.، ضیاتباراحمدی، م.، 1392. کارایی روش‌های نوین ...
  • استفاده از شبکه های عصبی مصنوعی در براورد بار معلق رسوب رودخانه ها [مقاله کنفرانسی]
  • نوروسیس، م. 1388. شبکه‌های عصبی در، SPSS انتشارات کیان رایانه ...
  • Byun, H. R., and Wilhite, D. A., 1996. Daily quantification ...
  • Gibbs, W.J. and Maher, J. V. 1967. Rainfall deciles as ...
  • Jang J.S.R. 1993. ANFIS: Adaptive-n etwork-based Fuzzy Inference System. IEEE ...
  • Karayiannis, N.B., and V enets anopoulos, A.N. 1993. Artificial Neural ...
  • Kisi O. 200, The potential of different ANN techniques in ...
  • Mishra, A.K., and Desai, V.R. 2005a. Spatial and temporal drought ...
  • Mishra, A.K., and Desai, V.R. 2005b. Drought Forecasting Using Stochastic ...
  • Mc Kee, T.B., N.J. Doesken & J. Kleist, 1993. The ...
  • Rezaee, A. 2001. Modeling flood and drought using artificial neural ...
  • Shafer, B. A, and Dezman, L. E.., 1982. Development of ...
  • Kisi O., and Ozturk O. 2007. Adaptive neurofuzzy computing technique ...
  • نمایش کامل مراجع